路径 A：“代码优先” 方法（构建者）
理念：“先构建，后理解数学。”
这种方法将 AI 模型视为软件 API。你先学习如何驾驶汽车，再学习内燃机的工作原理。你从编写实际 “做” 某些事情的代码开始 —— 比如识别猫或生成文本 —— 并且只有在需要调试时才学习理论。
适合人群
软件工程师、应用开发者、黑客和容易被抽象理论感到厌倦的视觉学习者。
代表性资源
Fast.ai
为什么有效
这门课程由 Jeremy Howard 教授，以其 “自上而下” 的方法而闻名。在第一课中，你就会构建一个实际工作的图像分类器。它给你即时的成功 “多巴胺刺激”，让你有动力在后期啃下更难的概念。
风险
你可能因为跳过了基础数学，而在后期难以调试复杂的模型。你可能会变成一个只会复制粘贴代码，但无法发明新架构的 “脚本小子”。
路径 B：“数学优先” 方法（工程师）
理念：“第一原理。”
这个学派认为，除非你理解其底层的线性代数、微积分和统计学，否则你无法真正掌握 AI。你先构建引擎。你不仅仅是导入一个库；你从头开始编写算法，以理解其核心。
适合人群
计算机科学学生、数学家和想要发明新 AI 架构，而不仅仅是使用现有架构的工程师。
代表性资源
DeepLearning.AI (吴恩达 Andrew Ng)
为什么有效
吴恩达是简单解释复杂概念的大师。他在 Coursera 上的课程不回避数学，而是拥抱它。你将带着不可动摇的基础离开。当明年有新工具出现时，你不会感到困惑，因为你理解了它所基于的数学。
风险
这是一个缓慢的开始。你可能要花上数周时间研究梯度下降，才能在屏幕上看到一个酷炫的图像出现。它需要极大的自律性来熬过 “枯燥” 的时期。
路径 C：“竞赛优先” 方法（玩家）
理念：“要么成功，要么沉沦。”
你不看视频；你尝试用公开排行榜解决一个具体问题。如果你的模型很烂，你学习原因并进行修复。这是通过快速重复的失败来学习。
适合人群
竞争型人格、需要具体目标（例如，“预测房价”）的人，以及正在建立作品集的求职者。
代表性资源
Kaggle
为什么有效
它提供即时反馈。你不仅仅是在真空中学习；你是在与公开排行榜上的其他人一起编程。 “Notebooks” 部分允许你复制粘贴 Grandmasters 的代码，看看他们是如何思考的，有效地让你在世界顶尖高手手下学习。
风险
它可能会让人不知所措。在没有任何事先指导的情况下直接参加竞赛，很容易产生 “冒名顶替综合症”。
结论：混合策略
那么，你应该选择哪一个呢？最好的学习者不会只选一个；他们会按顺序来。
推荐的 “混合” 路径
- 从 Fast.ai 开始（代码优先）：在这里度过你的第一个月。感到兴奋。构建一个对你的家庭照片进行分类的模型。感受这项技术的力量。
- 转到 DeepLearning.AI（数学优先）：一旦你撞到南墙，不明白你的模型为什么失败时，就去上吴恩达的课。数学会突然变得有意义，因为你有了实际的背景。
- 在 Kaggle 上证明自己（竞赛优先）：一旦你掌握了代码和数学，就参加一个竞赛。这证明你可以在没有教程牵着手的情况下，处理混乱的真实世界数据。
行动呼吁
不要收藏这篇文章。立即在下方选择一个链接，并观看第一个视频。
此路径的精选资源
- 代码优先
- 资源：Fast.ai
- 最适合：想立即开始构建的开发者
- 链接：fast.ai
- 数学优先
- 资源：DeepLearning.AI
- 最适合：想要深入理论的学习者
- 链接：deeplearning.ai
- 竞赛
- 资源：Kaggle
- 最适合：作品集构建者和竞争者
- 链接：kaggle.com
- 探索
- 资源：Hugging Face
- 最适合：AI 模型的 “应用商店”
- 链接：huggingface.co